Sei sulla pagina 1di 59

Università Commerciale Luigi Bocconi

Corso di Laurea in Economia e Management delle Istituzioni e dei Mercati Finanziari

L’Impatto degli Investimenti Sovrani:

un’Analisi Empirica sulle Target Finanziarie

Relatore: Prof. Stefano CASELLI Controrelatore: Prof. Stefano GATTI Candidato: Francesco Paolo DE ROSA Matricola: 1361880

Anno Accademico: 2009/2010

Abstract

Il presente lavoro indaga l’effetto che gli investimenti dei Sovereign Wealth Funds (SWFs) hanno sulle target appartenenti alla macro area di business Banking & Finance; il campione utilizzato come dataset di partenza, contiene le transazioni di questo tipo avvenute dal Gennaio 2003 ad Agosto 2010. L’analisi sviluppa un event study sui prezzi azionari delle target per calcolare gli Abnormal Returns (AR) sia nell’intervallo [-1,+1] dalla data di annuncio, sia nel medio/lungo periodo. Successivamente, gli AR sono utilizzati come variabili dipendenti in una regressione cross-sectional che ne approfondirà la natura. Successive elaborazioni analizzano l’impatto degli investimenti dei SWFs sulla volatilità, anche attraverso l’utilizzo di un volatility event study. Infine, mediante l’uso dell’Appraisal Ratio, viene implementata una valutazione circa l’effetto che questi investimenti producono sulle target partecipate in termini di relazione rischio- rendimento. La ricerca ha evidenziato come il mercato, nel breve periodo, riconosca ai SWFs un’abilità superiore di stock picking che è premiata con AR positivi. Tuttavia, tale fiducia viene in media disattesa producendo performance negative delle target nel medio/lungo periodo. Anche la volatilità idiosincratica diminuisce nel tempo ma non abbastanza da impedire un deterioramento in termini di relazione rischio-rendimento.

INDICE

Introduzione

A. Investimenti Sovrani

6

B. Motivi dello Studio

8

Costruzione del Dataset

9

Analisi Empirica e Abnormal Return

A. Rendimenti nel Periodo di Annuncio

12

B. Medium/Long Term Abnormal Returns

16

C. Regressione Cross-sectional

20

Test empirici e volatilità

A. Fondi Sovrani e Volatilità

23

B. Volatility Event Study

27

Appraisal Ratio Approach

32

Conclusioni

33

Appendice

35

Bibliografia

56

Introduzione

A. Investimenti Sovrani

I Fondi Sovrani o Sovereign Wealth Funds (SWFs) sono entità

possedute da Stati o Governi che si occupano di gestire portafogli di investimenti. Alcuni di essi sono o sono posseduti da Banche Centrali; altri, invece, sono veicoli di investimento puri costruiti per perseguire come obiettivo unico un rendimento sulle somme impegnate.

La loro creazione dipende dai surplus monetari degli Stati da cui sono controllati. Nel caso della Cina, ad esempio, il surplus deriva dalla bilancia commerciale che vede il volume delle esportazioni molto superiore a quello delle importazioni. Tale fattispecie si ripresenta anche in altri Stati tra cui Singapore ed Indonesia. Un’altra tipica fonte di risorse è rappresentata dalle riserve energetiche (petrolio o altre commodities). Esempi associabili sono rappresentati da tutti i Fondi Sovrani degli Emirati Arabi. Inoltre, anche le riserve accumulate nei Fondi Pensione Governativi possono essere destinate ad investimenti sovrani. Il Fondo Monetario Internazionale offre una classificazione dei SWFs per obiettivi: nel caso dello Stabilization Fund lo scopo

principale è diversificare le risorse economiche dello Stato, di solito

il petrolio, per proteggersi dai suoi movimenti di prezzo; i Savings

Funds rappresentano un modo per assicurare risorse alle nuove generazioni e contrastare il fenomeno del Dutch Disease 1 ; le Reserve Investment Corporations, invece, hanno l’obiettivo di incrementare il rendimento delle riserve detenute; i Development Funds tipicamente finanziano progetti dai risvolti socio-economici

1 Il fenomeno del Dutch Disease risale al lavoro di Corden e Neary (1982), anche se fu citato per la prima volta in un articolo del 1977 dal The Economist. Si tratta di un concetto che rimanda alla relazione pericolosa tra l’incremento nello sfruttamento delle risorse naturali ed un declino del settore industriale. Il termine è stata coniato per descrivere ciò che è avvenuto in Olanda nel 1959 dopo la scoperta di giacimenti di gas naturale.

per

promuovere politiche industriali volte a determinare la crescita

di

un paese; infine, i Contingent Pension Reserve Funds

rappresentano un modo per proteggersi dai debiti previdenziali governativi. Il termine Sovereign Wealth Fund (SWF) è stato utilizzato per la prima volta nel 2005 in un articolo di A. Rozanov 2 . In questo commento già era chiaro il riferimento ad un fenomeno dalla portata rilevante e di tipo globale per i mercati finanziari. Negli ultimi dieci anni i Sovereign Wealth Funds si sono moltiplicati fino a raggiungere una dimensione tale da rappresentare, per

alcuni, una nuova minaccia per i mercati mondiali 3 . Le preoccupazioni derivano dal fatto che tali player finanziari sono caratterizzati da una mancanza di trasparenza e possono indurre altri Stati ad eccessi di protezionismo che danneggiano l’efficienza dei mercati. Un altro rischio, per esempio, si riferisce alla non razionalità di questi nuovi investitori, che in quanto tali possono distorcere i prezzi degli asset 4 .

La crescita dei Fondi Sovrani riflette i prezzi sempre più alti del

petrolio o di altre commodity e l’accumulo di riserve da parte di altri paesi. Recenti studi stimano in 7 trilioni di dollari le riserve internazionali (incluso l’oro) detenute dai SWFs, a cui vanno aggiunti circa 2 o 3 trilioni addizionali 5 . Oggi, i Fondi Sovrani

rappresentano un fenomeno che ha già superato come dimensione e portata quello degli Hedge Funds. Sebbene, la dimensione sia ancora piccola se rapportata agli asset finanziari globali valorizzabili in circa 190 trilioni di dollari, le recenti proiezioni prevedono una crescita esponenziale per questi nuovi soggetti nel prossimo futuro. Anche durante il recente Market Turmoil i Sovereign Wealth Funds non hanno arrestato la loro

2 Who Holds the Wealth of Nations” di Andrew Rozanov.

3 Si veda la Figura 1 per apprezzare la portata globale del fenomeno.
4

5 Si veda Lyons (2007).

Per una trattazione completa su questi temi si veda Beck e Fidora (2008).

ascesa 6 ma anzi hanno sfruttato la disponibilità di risorse liquide per investire in numerosi istituti di credito. La Figura 3 dimostra la preponderanza delle target finanziarie nel 2008. L’assalto dei SWFs alla finanza e ai mercati finanziari in genere rappresenta un fenomeno nuovo, controverso e inesplorato, che merita di essere approfondito. In questo studio, l’obiettivo è valutare l’impatto che gli investimenti sovrani producono sulle target appartenenti all’area di business Banking & Finance.

B. Motivi dello Studio

La letteratura moderna si è spesso cimentata nell’interpretazione degli effetti delle partecipazioni azionarie sulle target. Shleifer e Vishny (1986), McConnell e Servaes (1990), Chen, Harford e Li (2007), hanno evidenziato i benefici legati al monitoring da parte dei blockholders. In particolare, si ritiene che gli azionisti di controllo possano rappresentare una soluzione al problema del free-rider, fattispecie nella quale i managers di una qualunque impresa si trovano ad operare senza un sistema di controlli. Di contro, Borokhovich, Brunarski, Harman e Parrino (2006) fanno luce sul fenomeno secondo cui diversi tipi di investitori istituzionali hanno effetti diversi sulle target partecipate indipendentemente dalla composizione del board o dalla percentuale di possesso. Tale intuizione richiama fortemente la fattispecie legata ai Sovereign Wealth Funds caratterizzata da aspetti propri e non direttamente comparabili agli altri casi per le motivazioni già evidenziate nel paragrafo precedente. Per questo motivo, risulta interessante una ricerca circa l’impatto che questi player hanno sulle performance delle target. Non di meno, la letteratura è attualmente carente nell’analizzare tale

6 Si veda la Figura 2.

fenomeno. Sebbene, esistano alcuni event study 7 , nessuno di loro approfondisce l’analisi circa l’effetto sulla volatilità o sull’evolversi della relazione rischio-rendimento delle target partecipate. Il presente lavoro, inoltre, si concentra volutamente sullo studio esclusivo delle target finanziarie. Si ritiene infatti, che tale fattispecie, meriti di essere approfondita singolarmente, sia per rilevanza di volumi, sia perché caratterizzata da aspetti unici e non ordinari. Un’analisi empirica che analizzi gli effetti sulle partecipate può essere uno strumento utile per capire e conoscere meglio i Sovereign Wealth Funds e la loro natura e, allo stesso tempo, un argomento di interesse sia per il mercato che per i policy-makers.

Costruzione del Dataset

Nella prima parte del paper l’obiettivo sarà quello di investigare l’effetto degli investimenti sovrani sui prezzi azionari delle target appartenenti alla macro area di business Banking & Finance. In particolare, l’attenzione sarà rivolta verso l’approfondimento di eventuali abnormal returns, sia considerando un orizzonte di breve periodo che di medio/lungo. Il primo passo da compiere è certamente individuare tutte le investment entities di carattere sovrano. In tal senso, un utile strumento di consultazione è stato caratterizzato dal compendio del Sovereign Wealth Fund Institute. La lista è composta dai principali SWFs, ma come già accennato nel lavoro di Dewenter, Han e Malatesta (2009), non esiste una lista completa delle entità sovrane a livello mondiale. Tale caratteristica dipende, in particolar modo, dal fatto che molte delle operazioni dei SWFs sono

7 I due event studies principali sono Dewenter, Han e Malatesta (2009) e Kotter e Lel

(2010).

effettuate con veicoli di investimento costruiti appositamente e sui quali a volte non esiste disclosure alcuna. Ciò nonostante, il presente lavoro integra le solite liste con veicoli di investimento spesso completamente dedicati agli investimenti nel settore finanziario 8 9 . Per una visione completa delle entità di investimento considerate nella nostra analisi si rimanda alla Tavola 1. Successivamente, attraverso l’utilizzo della banca dati Zephyr - Bureau Van Dijk specializzata nell’M&A, sono state individuate tutte le operazioni annunciate da Gennaio 2003 ad Agosto 2010, che hanno coinvolto come soggetti acquirenti le entità di investimento mostrate nella Tavola 1. Una segmentazione ulteriore ha considerato solo le target quotate 10 appartenenti all’area Banking & Finance. Inoltre, sono state considerate solo quelle operazioni che fossero caratterizzate esclusivamente da un possesso azionario da parte dell’acquirente; ad esempio, non sono state considerate le transazioni che fossero caratterizzate dall’acquisto di bond o altri strumenti finanziari 11 . Contestualmente, sono stati eliminati tutti gli investimenti con gruppi di acquirenti dove quest’ultimi fossero per la maggior parte non di tipo sovrano 12 . Un’ analisi ulteriore è stata effettuata prendendo in considerazione tutte le società di tipo finanziario appartenenti all’indice S&P 500 attraverso la banca dati Thomson Reuters One Banker ed i compendi ufficiali di Standard & Poor’s. A questo punto, attraverso Zephyr ho individuato eventuali acquirenti delle società in esame,

8 Il 18% circa del dataset che riguarda le operazioni di investimento è caratterizzato da veicoli specializzati o interamente o parzialmente posseduti dai SWFs. 9 Gran parte dei veicoli di investimento sono stati considerati grazie ai web-sites dei SWFs e a banche dati specializzate in news come Factiva o Lexis Nexis.

10 In particolare, sono state considerate solo quelle società che fossero quotate da almeno 250 giorni precedenti alla data di annuncio del bid sovrano. Il motivo risiede nell’avere disponibilità di dati per poter effettuare una regressione significativa nel calcolo successivo dell’abnormal return.

11 Le operazioni caratterizzate da strumenti convertibili in azioni sono state considerate ma solo nel momento dell’annuncio della trasformazione.

12 Anche nel lavoro di Dewenter, Han e Malatesta (2009) viene effettuata la medesima scrematura con l’obiettivo di isolare nel nostro event study solo quelle circostanze che dipendessero quasi totalmente dall’intervento di un SWF.

considerando sempre i requisiti e le specifiche per la costruzione del campione sopra menzionate. Infine, è stato necessario eliminare tutte quelle operazioni che nonostante fossero state annunciate, non si erano mai ufficialmente concluse. Il dataset, come mostrato in Tavola 2, risulta composto da 71 transazioni. Contestualmente, viene evidenziata sia la provenienza geografica del bidder e della target che la ownership stake dell’operazione. La Figura 4 ci mostra come l’85% circa delle operazioni siano rivolte verso banche mentre l’8% considera società specializzate in servizi finanziari. La Tavola 2 evidenzia anche la data del primo rumour, la data del primo annuncio e quella in cui l’operazione è stata completata. Le informazioni appena menzionate sono state fornite dal database Zephyr. L’evidenza, però, ha mostrato come alcune di queste date fossero in realtà sbagliate; per questo motivo, un ulteriore raffinazione in tal senso è stata effettuata attraverso l’uso di due fonti diverse come i news database Factiva e Lexis Nexis. Molti dei lavori fatti nel recente passato su questi temi tra i quali possono essere annoverati il già citato Dewenter, Han e Malatesta (2009), Kotter e Lel (2010), Bortolotti, Fotak, Megginson e Miracky (2009) o Sojli e Tham (2010) differiscono nei risultati degli event studies anche a causa dell’uso di differenti date di annuncio delle transazioni. Nel nostro caso, non esiste una letteratura direttamente comparabile in quanto il presente lavoro volutamente si concentra sulle operazioni che coinvolgono il settore Banking & Finance.

Analisi Empirica e Abnormal Return

A. Rendimenti nel Periodo di Annuncio

Il passo successivo consiste nell’analisi dei prezzi azionari per il calcolo dell’abnormal return. Successivamente, l’attenzione sarà posta sulle performance di medio/lungo periodo, per poi condurre un’analisi cross-sectional volta ad indagare le variabili che possono spiegare gli eventuali sovra-rendimenti. Nel presente lavoro si è scelto di focalizzare l’event study su una finestra di dati del tipo [-1,+1]; conseguentemente, il soggetto dell’approfondimento sarà caratterizzato da 3 osservazioni corrispondenti ai rendimenti logaritmici 13 giornalieri dei prezzi azionari delle target durante la data di annuncio, il giorno precedente e quello successivo. Tale scelta ricalca la consuetudine nel calcolo dell’abnormal return 14 . Il giorno dell’annuncio è il primo giorno in cui tale notizia viene resa nota attraverso la stampa. In particolare, tali giorni sono stati verificati attraverso l’uso di database come Factiva e Lexis Nexis; il news coverage considerato è di tipo internazionale, mentre le fonti consultate sono le Major World Publications che si distinguono dalle altre per attendibilità e credibilità. Nel nostro caso, utilizzeremo un market model per raggiungere l’obiettivo. Si procede, quindi, regredendo i rendimenti logaritmici delle target su due indici di mercato e su tre variabili dummy 15 . I prezzi di borsa delle target sono adjusted per split e dividendi; sono stati consultati attraverso la banca dati Datastream.

13 L’uso dei rendimenti di tipo logaritmico è dovuto alla loro consueta proprietà di essere aggregabili nel tempo, proprietà di cui si usufruirà in seguito.
14

Tale scelta, infatti, è stata adottata anche nel lavoro di Dewenter et al. (2009), Kotter e Lel (2010) e Bortolotti, Fotak, Megginson e Miracky (2009). 15 Tale metodo di calcolo è comunemente conosciuto come event parameter da Meulbroek (1992).

Il primo indice di mercato considerato replica la borsa domestica riferita alla target presa in esame; come benchmark dei mercati locali sono stati utilizzati i Thomson Reuters Country & Region Indexes 16 . Il secondo indice di mercato, invece, è rappresentato dallo S&P Global Financials Sector Index che replica il rendimento di tutte le imprese appartenenti al settore finanziario dello S&P Global 1200 Index. Tale scelta mira a ricercare un clean abnormal return e cioè un sovra-rendimento che consideri la fattispecie del campione in esame, che è riferito esclusivamente al mondo Banking & Finance. L’accorgimento risulta coerente con il sample utilizzato ed è più funzionale al nostro obiettivo. Le tre variabili dummy sono definite come D i-1 , D i0 e D i+1 con i riferito alla generica impresa target. Ognuna di loro rispettivamente assume un valore di zero per tutti i giorni considerati tranne quando si è nel giorno indicato dal pedice, dove la variabile assume un valore di uno 17 .

Il modello può essere sintetizzato come segue:

R it = α i + β iL R Lt + β iF R Ft + γ i-1 D i-1 + γ i0 D i0 + γ i+1 D i+1 + e it

(1)

dove le variabili R it , R Lt e R Ft rappresentano il rendimento dell’azione dell’impresa target i, il rendimento del rispettivo benchmark domestico ed il rendimento dell’indice di replica finanziario, tutte rispettivamente al tempo t. Il termine di errore definito come it si assume sia normalmente distribuito e con media zero. I coefficienti della regressione γ i-1 , γ i0 e γ i+1 sono stime dell’abnormal return della i-esima impresa target rispettivamente nel giorno precedente la data dell’annuncio, la data dell’annuncio

16 Tali indici sono market capitalization weighted. 17 Il giorno i0 si riferisce all’event day e cioè alla data dell’annuncio. Ad esempio, nel caso della prima operazione mostrata in Tavola 2 tra Morgan Stanley ed il Fondo Sovrano China Investment Corporation, l’event day, è il 19/12/2007.

stessa e la data susseguente. Conseguentemente, il CAR 18 della i- esima target non è altro che la somma dei tre coefficienti sopra menzionati. Sono dunque state stimate 71 regressioni usando rendimenti giornalieri su un periodo [-250,0]. L’analisi dei rendimenti ha portato ad escludere la pratica secondo la quale andrebbe esclusa dalla stima della regressione una finestra di dati immediatamente precedente all’event day. Così come argomentato da alcuni autori 19 , esiste ancora poca disclosure nel mondo dei SWFs; ciò si riflette nell’avere raramente un rumore rilevante visibile nei prezzi nei giorni precedenti alla transazione. Inoltre, alcuni Fondi Sovrani sistematicamente compiono acquisti nell’open market, vanificando in modo consistente la possibilità di fuga di notizie nel periodo immediatamente precedente alla transazione. Il CAR medio risulta essere dello 0,54%. Nella Figura 5 è possibile vedere l’istogramma che ne descrive la distribuzione. La mediana risulta essere minore della media e si attesta sullo 0,46%, tuttavia, il numero di osservazioni positive supera quelle negative con un rapporto rispettivamente di 37 a 34 ed una skewness positiva nell’ordine dello 0,12. La distribuzione, quindi, assume il classico comportamento che è proprio dei cumulative abnormal returns. Ciò nonostante, la statistica di Jarque-Bera 20 non rende rigettabile l’ipotesi di normalità. Per studiare la significatività 21 dei CAR possiamo condurre un test di verifica di ipotesi dove l’ipotesi nulla (H 0 ) è che la media dei CAR sia zero. Tale ipotesi non è rigettabile con il 95% di probabilità.

18 Cumulative Abnormal Return. Per una trattazione completa si veda Fama, Fischer, Jensen e Roll (1969).

19 A tal proposito si veda Balding (2009, p.10); “…significant gaps in knowledge remain about sovereign wealth funds…”.
20

Jarque-Bera è una statistica test per verificare la normalità di una serie di dati; misura la differenza di skewness e kurtosis di una serie di dati rispetto a quelle di una distribuzione normale. Sotto l’ipotesi nulla di distribuzione normale, la statistica si distribuisce come una χ 2 con due gradi di libertà.

21 Per una trattazione completa sul tema dei test di significatività negli event studies si consulti il paper di Serra (2002).

Ad ogni modo, test non parametrici mostrano esiti confortanti e risultano essere più appropriati nella nostra situazione. Applicando il noto Generalised Sign Test 22 abbiamo la possibilità di considerare anche la già prevedibile skewness della distribuzione.

La statistica test sarà:

GS = p 0 - p / [p (1 - p) (1/N)] 1/2

(2)

dove p 0 rappresenta la frazione osservata di rendimenti positivi e p è il parametro della distribuzione binomiale. In aggiunta al cumulative abnormal return è stato calcolato per lo stesso sample di osservazione anche il cumulative market adjusted return, definibile con l’acronimo CMAR. I CMARs sono stati calcolati sottraendo al rendimento giornaliero dell’azione della target il rendimento dell’indice replicante il suo mercato domestico per l’intervallo temporale [-1,+1]. Il risultato medio risulta essere dello 1,1%; la distribuzione è mostrata nella Figura 6. La media risulta essere sensibilmente più alta, circa il doppio di quella calcolata precedentemente. Sebbene i due metodi computazionali siano diversi, la differenza maggiore è caratterizzata dalla presenza o meno dell’indice finanziario come benchmark del rendimento della target 23 . Approfondendo l’analisi si ritiene utile considerare un sub- database comprendente esclusivamente le transazioni caratterizzate da un ownership stake maggiore o uguale al 5%. Riprendendo, infatti, le conclusioni di Vishny e Shleifer (1986)

22 Sanger e McConnell (1986) e Cowen e Sergeant (1996).

23 Nella presente analisi si è scelto volontariamente di non confrontare i risultati ottenuti con quelli della recente letteratura. Infatti esistono rilevanti problemi di omogeneità a causa dei diversi campioni utilizzati. Nel lavoro di Dewenter, Han e Malatesta (2009) sono considerate le target di ogni settore in un intervallo temporale che va dal Gennaio 1996 ad Aprile 2008; Kotter e Lel (2010), per esempio, considerano il periodo 1980-2009. La peculiarità di questo lavoro va ricercato nella volontaria focalizzazione sul controverso fenomeno che coinvolge Fondi Sovrani e istituzioni appartenenti al mondo finanziario.

possiamo argomentare su se esista o meno un fenomeno di monitoring che possa essere funzione crescente della porzione di capitale in possesso del SWF 24 e riflettersi quindi in un maggiore abnormal return. Il sub-database presenta 36 osservazioni con un CAR sensibilmente più alto che si attesta su una media di 1,72%. Analogamente il CMAR medio risulta essere di 2,08%. La Tavola 3 presenta un quadro di sintesi. Concludendo, esiste un consistente abnormal return nell’intervallo [-1,+1] dalla data d’annuncio della transazione. Il mercato, dunque, in media, crede nell’abilità dei SWFs di creare valore nelle target che partecipano. Ciò nonostante, in questa parte del lavoro, risulta ancora difficile capire se gli investitori premino l’abilità di stock picking dei SWFs o se realmente credano nella capacità degli stessi di aumentare la contendibilità e migliorare la governance delle target.

B. Medium/Long Term Abnormal Returns

La seguente sezione si pone l’obiettivo di analizzare l’esistenza o meno di significativi abnormal returns nel periodo successivo agli annunci delle operazioni di acquisto da parte dei SWFs. Per essere più precisi, l’approfondimento considererà gli intervalli compresi tra [2,250], [2,750] e [2,1250] trading days 25 . Il metodo che verrà utilizzato sarà il Cumulative Market Adjusted Return (CMAR) che è più adatto ad una valutazione di lungo

24 Da Dewenter et al. (2009, p.2): “…large shareholders can enhance firm values by facilitating beneficial takeovers or otherwise causing firms to adopt value-added improvements…”.
25

Nella maggior parte degli anni, infatti, ci sono circa 252 trading days. Conseguentemente, gli intervalli proposti rappresentano approssimativamente rispettivamente uno, tre e cinque anni di rendimenti giornalieri. La stessa scelta è stata adottata da Dewenter, Han e Malatesta (2009); diversamente Bortolotti et al. (2009) considerano periodi di 240 e 480 giorni di negoziazione.

periodo. Infatti, un market model prevede che i coefficienti della regressione siano stimati su un intervallo di 250 osservazioni precedenti alla data di annuncio. Tale forchetta di dati, essendo relativamente piccola, può generare delle stime che mal si adattano a intervalli più lunghi 26 . Il Market Adjusted Return per la i-esima impresa (MAR it ) è definito come la differenza tra il rendimento dell’azione considerata al

tempo t (R it ) ed il rendimento dell’indice di mercato domestico in t

(R Lt ):

MAR it = R it - R Lt

(3)

Conseguentemente, il CMAR dal giorno a al giorno m sarà la sommatoria del MAR per il periodo considerato:

m

B H A Ri , m = $%&Ct =ma M (1 + A R Rit it )!"# ' $%&Ct =ma (1 + RL t )!"# (5)

La formula, dunque, sarà:

CMAR i,m = !=

t

a

(4)

Inoltre, sarà considerato anche un altro metodo di calcolo comunemente conosciuto come Buy and Hold Market Adjusted Return (BHAR). Consiste nella differenza tra la capitalizzazione composta del rendimento dell’azione target e la capitalizzazione composta del rendimento del benchmark del mercato domestico, dal tempo a al tempo m.

26 Per esempio, nel caso di rendimenti precedenti all’annuncio molto alti il modello genererebbe un negative bias con stime degli alpha maggiorate.

Analogamente a quanto fatto nella sezione precedente, produciamo un’analisi che consideri esclusivamente le transazioni con partecipazioni maggiori o uguali al 5%. La Tavola 4 riassume i risultati ottenuti. Se consideriamo come orizzonte temporale la finestra di rendimenti [2,250] i risultati medi sono tutti negativi con un picco del 18% circa raggiunto nel calcolo del CMAR che considera l’intero campione (64 osservazioni); non risultano differenze consistenti se si considera il sample delle transazioni con partecipazioni maggiori o uguali del 5%. L’intervallo [2,750] presenta un unico valore positivo che coincide con il CMAR medio; il campione, in questo caso, è quello modificato (16 osservazioni). Nel caso [2,1250] le medie risultano essere tutte molto negative con un massimo del 73% nel BHAR con campione modificato (11 osservazioni). Complessivamente, le medie assumono tutte lo stesso comportamento nel tempo sia con calcoli diversi (BHAR vs CMAR), sia con campioni diversi. Presentano, infatti, un evidente miglioramento nel passaggio dal primo intervallo al secondo, per poi ritornare ad un valore peggiore rispetto al primo nell’intervallo [2,1250] 27 . Anche la volatilità associata agli abnormal return è correlata positivamente con l’allungamento della finestra di dati. Infatti, sia nel calcolo del CMAR che del BHAR, per entrambi i campioni analizzati, la dispersione è tanto maggiore quanto più lungo è l’intervallo considerato 28 . Il risultato della precedente analisi è senz’altro inequivocabile; le target dimostrano nel complesso di avere performance negative nel lungo periodo.

27 Vedi Figura 7. 28 Il valore massimo si raggiunge nel calcolo del BHAR con campione modificato dove la deviazione standard è dell’81%.

Tuttavia, se consideriamo il full sample, il BHAR [2,250] non risulta statisticamente significativo così come il CMAR [2,250] ed il CMAR

[2,1250].

Le evidenze riportate nel calcolo delle performance di lungo periodo sembrano confermare la teoria del “Constrained Foreign Investor Hypothesis” citata e confermata nel lavoro di Bortolotti et al. (2009) ma prodotta da Chen, Harford e Li (2007). Tale lavoro sostiene che gli investitori stranieri, soprattutto entità di carattere sovrano, avrebbero timore di esercitare un ruolo di monitoring attivo per non generare opposizione di carattere politico. Tutto ciò sembra riflettersi perfettamente con quanto trovato 29 . Concludendo, reazioni positive del mercato all’annuncio delle operazioni si scontrano con i risultati appena prodotti 30 . Gli abnormal returns analizzati nella sezione precedente risultavano rinvigoriti nel caso di partecipazioni maggiori o uguali al 5%; tale fenomeno, invece, è assente nel medio/lungo periodo. Dati così netti possono rimandare al fenomeno del tunneling proposto da Dewenter, Han e Malatesta (2009) 31 ; secondo gli autori, i grandi azionisti potrebbero estrarre benefici personali, quindi valore, dalle target possedute con conseguenti performance negative nel tempo. Questo, però, non spiegherebbe perché la grandezza della partecipazione non ha rilevanza nel lungo termine. Inizialmente, gli abnormal returns riflettono un eccessivo ottimismo del mercato, sensibile alla stake acquistata dai fondi sovrani che però diventa sensibilmente negativa con il passare del tempo. Sebbene possiamo affermare che l’intervento dei Fondi Sovrani non crei un overperformance duratura, va osservato che tale effetto potrebbe essere semplicemente dovuto ad una scarsa abilità di stock picking.

29 Tali supposizioni verranno argomentate nella prossima sezione: “Regressione Cross Sectional”.

30 Citando Bortolotti et al. (2009, p.27): “Taken together, the evidence of a positive market reaction followed by negative long-term performance is puzzling”.
31

Si veda anche Johnson, La Porta, Lopez e Shleifer (2000).

C. Regressione Cross-sectional

I risultati prodotti nell’analisi precedente risultano schiaccianti. In questa sezione si cercherà di verificare la relazione tra gli abnormal returns nei giorni dell’annuncio delle operazioni con alcune variabili. L’obiettivo è quello di chiarire e mostrare le relazioni presenti nei fenomeni del breve termine per poi indirettamente analizzare il perché delle performance negative nel long-term horizon. Il metodo consisterà nel regredire più volte gli abnormal returns trovati con il market model su variabili indipendenti diverse. Nel primo modello di indagine compiamo una regressione con un'unica variabile indipendente che chiamiamo Stake; come è facile interpretare, l’obiettivo è cercare di capire se esiste una relazione non casuale tra lo short-term CAR e l’entità della partecipazione detenuta dai SWFs. Sebbene il coefficiente associato a Stake sia positivo, l’osservazione del p-value ci segnala che non è statisticamente significativo. Ripetiamo lo stesso tipo di modello ma usando come variabile dipendente solo i CAR positivi ed eliminando dal dataset l’intervallo temporale coincidente con la crisi finanziaria del 2008 32 . Tale scelta è giustificata dal fatto che durante periodi borsistici con volatilità molto alta l’andamento dei prezzi azionari è spesso erratico e profondamente inefficiente. Inoltre, l’intervento dei SWFs durante il recente market turmoil è stato spesso giustificato da aiuti di carattere puramente finanziario elargiti alle target partecipate. Non di meno, spesso tali investimenti avevano rilevante valore politico e reputazionale. In tal senso, i CAR osservati non sono assolutamente correlati all’entità della partecipazione azionaria.

32 L’intervallo scelto per identificare l’impatto maggiore avuto dalla recente crisi finanziaria sui mercati di borsa è Giugno 2008 – Luglio 2009.

Inoltre, la normalizzazione relativa all’eliminazione dei CAR negativi risiede nel fatto che gli abnormal returns dovrebbero essere per definizione quantità positive; in questo senso, alternativamente l’indagine relativa alla Stake perderebbe di senso. L’output della regressione in questo caso da risultati confortanti; il coefficiente è positivo e statisticamente consistente con una confidenza del 95%. Inoltre, l’R squared 33 risulta essere moderatamente alto attestandosi su un valore del 43% circa. L’indagine ripetuta nuovamente utilizzando i CAR positivi ma senza restrizioni temporali mostra un coefficiente positivo significativo con il 90% di confidenza. Per le analisi appena riportate si veda la Tavola 5. E’ evidente, dunque, che normalmente esiste un legame significativo e non statisticamente casuale tra l’entità della partecipazione e l’abnormal return riconosciuto dal mercato nei giorni dell’annuncio dell’operazione. Il risultato appena prodotto non risulta essere banale; gli investitori reagiscono positivamente nel breve termine confidando in un’abilità di stock picking superiore da parte dei SWFs, ma tendenzialmente penalizzano le target nel medio/lungo periodo e cioè quando si accorgono di aver avuto un atteggiamento overoptimistic. Infatti, nel breve periodo i CAR sono sensibili alla quota di partecipazione (Stake) mentre tale correlazione sembra perdersi nel tempo. Inoltre, va ricordato come l’allungamento dell’intervallo temporale considerato sia con evidenza negativamente correlato alla over-performance delle target. Tali conclusioni escludono la convinzione secondo cui il motivo principale dei long-term CAR negativi risiedi nei fenomeni di tunneling che dovrebbero presentare una qualche forma di legame con la percentuale di possesso (Stake).

33 Si tratta del coefficiente di determinazione di una retta di regressione.

Ad ora, invece, non possiamo ancora escludere che i long-term CAR siano non correlati con un monitoring inefficace da parte dei SWFs. Il prossimo passo consiste nel compiere nuove regressioni cross- sectional su quattro variabili diverse. La prima è una variabile dummy che chiamiamo Home Country; assume un valore di zero se la transazione è cross-border e uno diversamente. Il secondo fattore è Efficient Market; assume un valore di uno se la target appartiene ad un mercato borsistico particolarmente liquido e profondo 34 e zero nel caso contrario. Le altre due variabili sono il Truman Governance Index 35 ed il Linaburg-Maduell Transparency Index 36 . Rappresentano entrambi, anche se rispondono ad esigenze diverse, un tentativo di valutare la credibilità e l’affidabilità dei Fondi Sovrani. Dettagli sulla regressione sono mostrati in Tavola 6. Se come variabile dipendente utilizziamo i CMAR [-1,+1], i risultati non cambiano; non sono riportati per brevità. Un fenomeno interessante mostrato in Tavola 6 è rappresentato dalla non significatività statistica dei coefficienti associati alle variabili relative alla trasparenza dei Fondi Sovrani. In questo senso, il mercato sembra non giustificare l’abnormal return con una eventuale capacità superiore di monitoring da poter esercitare sulla target; in qualche modo, infatti, il grado di trasparenza e affidabilità di un SWF dovrebbe essere fortemente correlato con la sua capacità di controllare il management della target e con la sua capacità di influenzare il mercato.

34 Nel nostro caso per mercato borsistico particolarmente liquido e profondo si intendono il New York Stock Exchange ed il London Stock Exchange. 35 Il Truman Governance Index fa parte del Total Truman Index ed è stato sviluppato da Edwin Truman. Rappresenta un rating ai valori etici e all’efficacia del modello di governance del SWF.

36 Il Linaburg-Maduell Transparency Index è stato sviluppato dal Sovereign Wealth Fund Institute per opera di Carl Linaburg e Michael Maduell. Rappresenta un rating alla trasparenza dei Fondi Sovrani.

E’ importante ricordare che lo scopo di tale ricerca non è quello di valutare le performance dei SWFs ma di capire se l’intervento di questo tipo di investitori istituzionali crei valore o meno per le target partecipate ed i suoi shareholders. Il concetto di creazione di valore è ben argomentato nel lavoro di Fernandez (2001) dove è definito come correlato alla differenza tra lo Shareholder Return ed il rendimento che gli azionisti si aspettano. Lo shareholder return è perfettamente approssimabile con il rendimento di prezzi azionari aggiustati per dividendi mentre il rendimento che gli azionisti si aspettano può essere immaginato come il rendimento di un benchmark di riferimento. E’ facilmente intuibile,quindi, che gli abnormal returns rappresentano una proxy della value creation essendo costruiti esattamente con le specifiche appena descritte. Concludendo, i Fondi Sovrani bruciano valore nelle target partecipate nel medio/lungo periodo anche se il mercato riconosce un significativo abnormal return nei giorni dell’annuncio, principalmente dovuto ad una fiducia in un’abilità superiore di stock picking da parte dei SWFs. Tale fiducia, però, resta in media disattesa; i long-term abnormal return negativi non sembrano essere correlati ad un ruolo attivo o meno da parte dei SWFs, ma più che altro, dimostrano di essere il frutto di reazioni psicologiche del mercato, che reagisce penalizzando pesantemente il titolo quando scopre di essere stato overoptimistic.

Test empirici e volatilità

A. Fondi Sovrani e Volatilità

Osservando i commenti della stampa mondiale ci si rende conto di come esistano due principali preoccupazioni riguardanti gli investimenti di tipo governativo: la sicurezza nazionale ed un rischio di destabilizzazione sistemica 37 . Recenti studi empirici tra cui Shleifer e Vishny (1986), McConnell e Servaes (1990), Chen, Harford e Li (2007), hanno evidenziato i benefici legati al monitoring da parte dei blockholders. Di contro, Borokhovich, Brunarski, Harman e Parrino (2006) trovano che tale fenomeno non si verifica con tutti i tipi di investitori istituzionali. Parte della letteratura 38 sostiene che il possesso di pacchetti azionari sia inversamente proporzionale al grado di liquidità ed inoltre, positivamente correlato con il rischio idiosincratico della target. In questo contesto si inserisce l’analisi della presente sezione che si pone come obiettivo quello di analizzare l’effetto che l’intervento dei SWFs potrebbe avere sulla volatilità dei prezzi azionari delle target partecipate. Abbiamo visto nella sezione precedente come le target coinvolte in queste transazioni siano in media caratterizzate da un declino nelle performance azionarie; tuttavia, un giudizio completo sull’impatto dei SWFs sulla Value Creation non può prescindere da una valutazione su un eventuale deterioramento della relazione rischio-rendimento. Ad esempio, performance di borsa peggiori, sia in termini assoluti, che in riferimento ad un benchmark, potrebbero ricercarsi in un profilo di rischio diverso dal passato e

37 Citando il New York Times: “The fear is that these so-called sovereign wealth funds could destabilize markets or provoke a political backlash”. 38 Heflin e Shaw (2000), Brockman e Yan (2009), Xu e Malkiel (2003).

quindi in una volatilità più bassa; in tal caso, non è certo scontato che si bruci valore. In questo capitolo, analizzeremo il profilo di rischio delle target attraverso misure di dispersione ed appositi ratio. Di seguito sarà presentato un modello per indagare la event-induced volatility 39 . La Tavola 7 presenta una sintesi circa la deviazione standard dei rendimenti. La misura di variabilità è stata calcolata su base giornaliera e a partire da rendimenti logaritmici giornalieri. In particolare, notiamo come la volatilità media calcolata sull’intervallo pre-event [-250,-1] è del 3,22% 40 . La mediana è più bassa ed il massimo si attesta sul valore di 8,92% 41 . Se consideriamo i tre intervalli temporali post-event, che sono rispettivamente [+1,+250], [+1,+750], [+1,+1250], ci accorgiamo che la volatilità tende a salire moderatamente, anche se i cambiamenti non sono rilevanti; il picco viene raggiunto nell’intervallo [+1,+250], dove la volatilità media su 64 osservazioni è di 3,65%. La Tavola 7 mostra anche l’output di un metodo di indagine chiamato Test of Equality 42 ; in particolare, l’obiettivo è testare l’ipotesi nulla secondo la quale due serie di osservazioni hanno la stessa media. L’interpretazione della T Statistic ci rivela che la deviazione standard media pre-event è statisticamente diversa solo se confrontata con quella dell’intervallo [+1,+250]. Dunque, l’acquisto da parte dei SWFs di partecipazioni azionarie non sembra generare effetti statisticamente rilevanti sul rischio totale delle target 43 .

39 Il termine event-induced volatility è mutuato dal titolo del paper di Savickas (2003).

40 Si consideri l’intero campione (71 osservazioni).

In particolare, tale osservazione si riferisce alla transazione che vede come target Morgan Stanley, annunciata il 3 Giugno 2009.
42

Un test simile è stato condotto da Clayton, Hartzell, Rosenberg (2003); si tratta di un report per la Federal Reserve Bank of New York da cui si è preso spunto. In particolare il paper indaga l’effetto dei CEO Turnovers sulla variabilità dei prezzi azionari delle imprese interessate.

43 In realtà, un’analisi più approfondita dovrebbe considerare il rischio idiosincratico della target. Tale implementazione sarà presentata più avanti contestualmente al volatility event study.

41

Ripercorrendo la metodologia utilizzata nel capitolo precedente, possiamo considerare il sub-sample composto esclusivamente dalle operazioni caratterizzate da pacchetti di controllo maggiori o uguali al 5%. L’andamento della volatilità media nel tempo è pressoché identico se paragonato con il campione precedente. L’unica differenza risiede nei valori, che in tutti e quattro gli intervalli considerati, sono più alti. Il valore di volatilità massimo è quello in corrispondenza dell’intervallo [+1,+250] e si attesta su una media di 3,64%. Ancora una volta, non si rilevano differenze nelle medie che si dimostrino essere statisticamente rilevanti. Come già detto precedentemente, le indicazioni sopra fornite sono

di tipo introduttivo ma non risolutivo rispetto all’effetto dei SWFs.

Un primo tentativo in questo senso è mostrato in Figura 8; affinché sia chiara la relazione tra la volatilità delle target e quella dei loro rispettivi mercati di riferimento sono stati implementati dei semplici ratio. In particolare, le misure statistiche prevedono un rapporto tra due diverse daily standard deviation: rispettivamente quella delle

target e quella dei benchmark locali. Ad esempio, per l’intervallo [- 250,-1] avremo 71 osservazioni ed un valore medio del rapporto di

2,09.

Il primo grafico mostrato evidenzia come tale rapporto si attesti

sempre su un valore superiore al due, indipendentemente da quale intervallo temporale venga considerato. Tale fenomenologia era in parte prevedibile; infatti, ciò è la dimostrazione di come titoli azionari singoli, siano in media più volatili di portafogli ben diversificati, come possono essere gli indici di mercato considerati. La verifica di ipotesi da esiti positivi circa la significatività delle medie aritmetiche in discussione. Infine, il rapporto più alto è quello che considera l’intervallo [+1,+250] e si attesta su un valore di 2,16. In tale finestra di

osservazioni, la volatilità della target aumenta sia in termini

assoluti, così come era stato dimostrato nell’analisi precedente, che in termini relativi; la volatilità, quindi, aumenta più che proporzionalmente rispetto al benchmark di mercato. Le target, dunque, evidenziano nel primo anno successivo all’annuncio dell’acquisto di una partecipazione da parte di un Sovereign Fund, un aumento della deviazione standard. Tale risultato è coerente con l’unica ricerca in materia condotta da Brockman e Yan (2008). Sebbene il paper si basi su un campione di partenza molto diverso da quello considerato in questa ricerca 44 , si evidenzia come la presenza di azionisti di controllo sia correlata positivamente con una minore opacità e quindi con un rischio idiosincratico maggiore 45 . Tuttavia, la presenza dei SWFs assume caratteri più complessi rispetto a quella di un azionista di controllo generico, proprio a causa della sua controversa natura. Basti ricordare che le evidenze che si riscontrano nell’intervallo [+1,+250] in merito alla volatilità, sono statisticamente rigettabili nelle altre finestre temporali. La prossima sezione cercherà di approfondire l’analisi implementando un volatility event study apposito.

B. Volatility Event Study

Diversi studi hanno analizzato l’impatto di eventi societari sulla volatilità. Dodd e Ruback (1977), Bhagat, Brickley e Loewenstein (1987) hanno concentrato la loro attenzione sugli effetti delle acquisizioni cash; Mandelker (1974) e Vijh (1994) su fusioni e spin-

44 Ad esempio il periodo considerato va dal 1996 al 2001 ed inoltre non viene considerata la fattispecie specifica legata ai SWFs.
45

Citando Brockman e Yan (2008, p.316): “Our empirical findings strongly support the hypothesis that block ownership has a significant impact on the firm-specific component of stock returns. After controlling for market-, industry- and firm-level variables, we find that the presence of blockholders increases the probability of informed trading and idiosyncratic volatility”.

off, mentre Ohlson e Penman (1985) e Dubofsky (1991) hanno indagato gli split azionari. Altri autori si sono interessati a diversi

tipi di annunci societari: Dann, Masulis e Mayers (1991) e Bartov

(1991) ai buy-back azionari, Jayaraman e Shastri (1993) alle distribuzioni di dividendi, così come Cornell (1978) agli earnings

announcements. Un altro studio interessante condotto da Donders e Vorst (1996), utilizza un approccio elegante per analizzare gli

effetti sulla volatilità; il metodo usufruisce delle volatilità implicite

per condurre l’event study. Tuttavia, tale approccio non può essere

implementato nel nostro lavoro a causa della massiccia presenza

nel database di target quotate in mercati emergenti, spesso poco

liquidi e quasi sempre senza altri strumenti finanziari quotati che siano diversi dalle azioni. L’analisi della letteratura sui volatility event study è stata molto più

di un approfondimento. Infatti, ad ora, non esistono studi

effettivamente comparabili che analizzino le conseguenze sulla volatilità di annunci di operazioni condotte da un Fondo Sovrano. Sebbene, tale situazione dia uno spirito ed un sapore diverso alla ricerca, ne aumenta in modo decisivo la complessità. L’approccio che è sembrato più consistente con i nostri obiettivi è rappresentato da Dubofsky (1991). Tale metodo, permette di tenere in conto la volatilità storica dell’azione e, allo stesso tempo,

consente il confronto con diversi indici di mercato. Inoltre, non vengono tralasciate neanche le volatilità storiche degli eventuali benchmark utilizzati. E’ possibile contestualmente soddisfare due diverse esigenze: la coerenza con l’approccio utilizzato per calcolare gli abnormal returns e la necessità di generare una misura di volatilità clean, che non dipendi dalle oscillazioni del mercato. In questo senso, possiamo certamente parlare di rischio specifico della target e quindi di volatilità idiosincratica.

Il modello prevede l’uso di una regressione statistica simile a quella utilizzata nel già citato lavoro di Dubofsky (1991); la variabile dipendente è rappresentata dal logaritmo naturale del rapporto tra la deviazione standard pre-event e la deviazione standard post-event della i-esima target 46 . La finestra temporale pre-event è rappresentata da un anno di osservazioni per mitigare eventuali rumours precedenti all’annuncio e per non vanificare la verifica circa la persistenza di eventuali cambiamenti di volatilità 47 . La variabile dipendente sarà, dunque, descritta da due regressori:

il logaritmo naturale del volatility ratio relativo al mercato locale di riferimento ed il logaritmo naturale del volatility ratio relativo all’indice finanziario già utilizzato precedentemente 48 . Il modello, quindi, può essere sintetizzato come segue:

l

n $$%& ó i ['ó1i [,1', t250] ]!!"# = á t + ) L t ( l n $$%& ó i L [ó'i1L [,1', t250] ]!!"# + ) Ft l n $$%& ó iF [ó'iF1[,1', t250] ]!!"# + åt

Ogni volatility ratio può essere visto come un vettore colonna in cui ogni riga corrisponde al rapporto relativo alla i-esima target. La variabile σ i rappresenta la deviazione standard della target i, σ iL è la deviazione standard del mercato locale di riferimento della i- esima target e σ iF è la volatilità del benchmark finanziario calcolata nella finestra di osservazioni relative alla data di annuncio della target considerata. La variabile t può assumere rispettivamente il valore di 250, 750 o 1250. Conseguentemente, saranno necessarie tre regressioni

46 Si tratta del volatility ratio. 47 Un anno corrisponde a circa 250 osservazioni. Tale scelta è frutto del trade-off tra la necessità di utilizzare quante più osservazioni possibili nel tempo e la necessità di includere quante più imprese nel campione utilizzato. Infatti, non tutte le target dispongono di più di 250 osservazioni precedenti alla data di annuncio.

48 Tale indice è stato già utilizzato come benchmark di settore nel paragrafo precedente “Rendimenti nel Periodo di Annuncio”. Si tratta dello S&P Global Financials Sector Index.

affinché si possano stimare i coefficienti relativi a questi tre intervalli temporali. Proprio l’alpha e cioè, l’excess value, rappresenterà l’incremento o il decremento medio di volatilità dalla data di annuncio fino alla soglia considerata e cioè a 250, 750 e 1250 giorni. Implementando il modello attraverso una regressione OLS 49 è stata posta l’attenzione su una eventuale heteroskedasticity. Con tale termine si intende il fenomeno secondo cui la varianza dei residui della regressione vari in corrispondenza delle diverse osservazioni campionarie. Questa fattispecie viola le ipotesi della classica regressione ed in tal senso può inficiare la stima degli errori standard dei coefficienti. Dopo aver condotto, dunque, il White Eteroschedasticity Test abbiamo potuto rifiutare l’ipotesi nulla circa la non presenza del fenomeno in questione. Le tre regressioni sono state, quindi, implementate secondo il metodo di White (1980) per ottenere livelli corretti di significatività nella stima dei parametri e t-statistic robuste 50 . L’output finale ed una descrizione ulteriore della regressione è mostrata in Tavola 8. La regressione sintetizzata dalla colonna (1) evidenzia come la costante sia positiva; il suo valore è di 2,17%. Ciò significa che nei primi 250 giorni che hanno succeduto l’annuncio, la volatilità specifica della target è cresciuta nell’ordine della percentuale appena citata. Tale fattispecie richiama i risultati già discussi nella sezione precedente e più chiaramente sottolinea l’evidenza secondo cui il rischio specifico della target aumenta nell’anno successivo all’annuncio della transazione con il SWF. Sebbene tali argomentazioni siano credibili è necessaria cautela in quanto il coefficiente alpha non è statisticamente significativo.

49 Ordinary Least Squares. 50 Heteroskedasticity Consistent Covariances di White (1980).

La seconda colonna della Tavola 8 mostra un excess value negativo; nei 750 giorni che succedono l’operazione con un Sovereign Wealth Fund, la volatilità della target diminuisce in media del 12%. Il delta, in questo caso moderatamente grande, assume una dimensione molto significativa; inoltre il parametro è diverso da zero con una confidenza del 90%. La terza colonna, infine, evidenzia una regressione valida nella sua interpretazione sui 5 anni di osservazioni che succedono l’annuncio della transazione con il Sovereign Wealth Fund. In questo caso, la costante della regressione è negativa e significativa con una confidenza del 95%; il suo valore è di -

17,58%.

La discesa della volatilità idiosincratica, dunque, sembra essere rilevante e robusta nel medio/lungo periodo. Uno studio che si fosse basato esclusivamente su un orizzonte di breve periodo avrebbe riscontrato conseguenze irrilevanti sulla deviazione standard delle target; questa analisi, invece, rivela come l’intervento di un Fondo Sovrano ha un effetto calmierante in termini di rischio idiosincratico, che diminuisce con l’aumentare dell’intervallo temporale dalla data di annuncio. Tale fenomeno, così come argomentato da altri autori 51 , potrebbe essere dovuto ad una minore disclosure pubblica che coinvolgerebbe le target dei SWFs.

51 Da Knill, Lee, Mauck (2010, p.4): “The decomposition also find that idiosyncratic risk decreases following SWF investment, which is consistent with the notion that there is a weaker information environment for the firm following SWF investment”.

Appraisal Ratio Approach

I dati elaborati permettono un’analisi ulteriore circa l’impatto che l’intervento dei SWFs ha sull’appetibilità delle target in termini di rapporto rischio-rendimento. La misura comunemente nota come Appraisal Ratio, elaborata nel paper di Treynor e Black (1973) come generalizzazione del più noto Sharpe Ratio, permette di verificare eventuali cambiamenti nel modo in cui viene compensato il rischio che sopportano gli investitori delle target. Tale passo risulta importante per capire il fenomeno dei SWFs dato che, per quanto chiare, le conclusioni circa il loro effetto non sono univoche. La misura che verrà utilizzata, normalmente applicata nell’Asset Management per la valutazione dei Fondi di Investimento, non è altro che il rapporto tra l’excess return o alpha di Jensen e la volatilità. Nel nostro caso, quindi, consisterà nel rapporto tra l’abnormal return e la deviazione standard, rispettivamente per gli intervalli costituiti da 250, 750 e 1250 giorni successivi alla data di annuncio 52 . Possiamo sintetizzare il ratio come di seguito:

Appraisal Ratio [ +1,+t ] = CMAR [ +1,+t ] / σ [ +1,+t ]

Il Cumulative Market Adjusted Return che utilizzeremo sarà la media dei CMAR di tutte le target disponibili in un determinato intervallo temporale 53 . La volatilità, invece, sarà la media tra tutte le deviazioni standard delle target, calcolate su base giornaliera per la finestra considerata 54 .

52 Un approccio computazionale molto simile è stato utilizzato nel lavoro di Hooper, Sim e Uppal (2005).

53 I dati sono già stati calcolati e sono presenti in Tavola 4. 54 I dati sono già disponibili nella Tavola 7.

L’output è disponibile in Tavola 9 e ci mostra come l’ Appraisal Ratio sia in tutti e tre i casi negativo. Questa circostanza dimostra come le target non siano efficienti in termini di rapporto rischio- rendimento successivamente alla transazione con il SWF. Inoltre, sebbene il rapporto migliori sensibilmente nell’intervallo [+1,+750], inesorabilmente piomba ad un livello peggiore di quello evidenziato nella prima finestra temporale. E’ abbastanza evidente che l’intervento dei Sovereign Wealth Funds sia per lo meno destabilizzante per le target partecipate, specialmente se la sua presenza si dimostra essere prolungata.

Conclusioni

Il lavoro fin qui elaborato ha cercato di colmare il vuoto della letteratura circa l’impatto dei Sovereign Wealth Funds su target appartenenti all’area di business Banking & Finance. Tale scelta è stata motivata dalla storia degli investimenti dei Fondi Sovrani. Infatti, una parte preponderante delle loro risorse è stata dedicata al settore finanziario; inoltre, tale fenomeno è stato ancor di più al centro dell’attenzione durante il recente market turmoil. L’indagine ha concentrato l’attenzione sugli effetti che tali operazioni hanno avuto sui prezzi azionari e sulla volatilità delle target, sia nel breve che nel medio/lungo periodo. Le elaborazioni proposte hanno dimostrato come il mercato riconosca un abnormal return positivo nei giorni intorno all’annuncio dell’operazione. Tuttavia, nel medio/lungo periodo e quindi rispettivamente nei 250, 750 e 1250 giorni successivi alla transazione, i sovra-rendimenti sono tutti negativi. Altri approfondimenti hanno permesso di giungere alla conclusione secondo cui il mercato inizialmente attribuisce al SWF un’abilità superiore di stock picking che però resta in media disattesa.

L’effetto è una penalizzazione della target nel momento in cui il mercato riconosce di essere stato overoptimistic. Anche l’impatto sulla volatilità non è univoco. Nei primi 250 giorni il rischio idiosincratico non ha movimenti statisticamente significativi rispetto alla volatilità pre-event, mentre nei 2 intervalli successivi decresce con un ritmo incrementale. Tale effetto senz’altro dimostra la presenza di una correlazione positiva tra la durata dell’insediamento del Fondo Sovrano e la diminuzione del rischio specifico della target. Secondo alcuni studi empirici 55 il fenomeno è dovuto ad una maggiore opacità delle target. Infine, l’utilizzo dell’Appraisal Ratio ci dimostra come l’andamento della volatilità non sia in grado di compensare i rendimenti insoddisfacenti e anzi deteriori la situazione in termini di efficienza rischio-rendimento, rivelando un evidente effetto destabilizzante.

55 In particolare si veda Knill, Lee, Mauck (2010).

APPENDICE

Figura 1. Breakdown SWFs per Regione

Il seguente grafico mostra come si distribuisce il fenomeno dei Sovereign Wealth Funds nel mondo. Sebbene ci sia una netta prevalenza di Asia e Middle East, che insieme raggiungono circa il 75%, è da notare come recentemente la presenza di questi investitori si stia allargando ad altre aree del globo; basti pensare per esempio al Sovereign Fund of Brazil (Brasile) lanciato nel 2009 o allo Strategic Investment Fund (Francia) lanciato nell’anno precedente.

o allo Strategic Investment Fund (Francia) lanciato nell’anno precedente. I dati sono aggiornati al Dicembre 2009.

I dati sono aggiornati al Dicembre 2009.

Figura 2. Capitalizzazione di Mercato dei SWFs

Il grafico qui riportato, evidenzia l’andamento trimestrale della capitalizzazione di mercato dei Sovereign Wealth Funds. Attualmente, i dati ci dicono che i SWFs si trovano già sopra il livello di capitalizzazione degli anni 2008 e 2009, colpiti duramente dalla crisi finanziaria. La capitalizzazione di mercato riflette la disclosure ufficiale, la creazione del Fondo, l’attività di investimento, iniezioni di capitale e altre variabili. I dati sono in miliardi di $.

del Fondo, l’attività di investimento, iniezioni di capitale e altre variabili. I dati sono in miliardi

Figura 3. Valore degli Investimenti Sovrani per Settore della Target

Il seguente grafico mostra come il 75% circa delle risorse dei SWFs sia stato destinato al settore finanziario nel 2008. In particolare, il volume delle operazioni è stato preponderante nel primo trimestre dell’anno. La fonte del grafico è rappresentata dal Monitor-FEEM SWF Transactions Database.

nel primo trimestre dell’anno. La fonte del grafico è rappresentata dal Monitor-FEEM SWF Transactions Database. 38

Figura 4. Breakdown Numero di Operazioni per Settore

Il seguente grafico mostra come la maggior parte delle operazioni condotte dai Fondi Sovrani di Investimento nell’area Banking & Finance, abbiano interessato principalmente il settore bancario. In particolare, 60 operazioni su 71 censite vedono come target una banca, 6 hanno per oggetto entità che si occupano di servizi finanziari, 4 transazioni per il Private Equity ed una sola per il settore assicurativo.

il Private Equity ed una sola per il settore assicurativo. Per Banca si intende un’azienda di

Per Banca si intende un’azienda di produzione che opera nel campo del credito, raccogliendo risorse finanziarie presso il pubblico ed erogandole a titolo di credito.

Figura 5. Distribuzione [-1,+1] Cumulative Abnormal Return

La figura seguente rappresenta la distribuzione empirica dei Cumulative Abnormal Return

calcolati sull’intervallo temporale di [-1,+1] rispetto all’annuncio dell’operazione del SWF.

In

questo caso gli AR sono stati calcolati con il market model. La statistica di Jarque-Bera

ci

dice che non è possibile rifiutare l’ipotesi nulla (H 0 ) secondo cui la serie di dati si

distribuisce come una Normale di Gauss.

rifiutare l’ipotesi nulla (H 0 ) secondo cui la serie di dati si distribuisce come una

Figura 6. Distribuzione [-1,+1] Cumulative Market Abnormal Return

La figura seguente rappresenta la distribuzione empirica dei Cumulative Market Abnormal Return calcolati sull’intervallo temporale di [-1,+1] rispetto all’annuncio dell’operazione del SWF. La mediana ha un valore più basso se comparato alla media. Inoltre, attraverso la statistica Jarque-Bera possiamo rifiutare l’ipotesi di normalità.

se comparato alla media. Inoltre, attraverso la statistica Jarque-Bera possiamo rifiutare l’ipotesi di normalità. 41

Figura 7. Long Term Mean Abnormal Return Pattern

Il seguente grafico mostra l’andamento medio dell’abnormal return rispettivamente per gli intervalli temporali [2,250], [2,750] e [2,1250] e calcolati sia con il metodo Buy and Hold che con il Cumulative Market Abnormal Return. Gli andamenti nel tempo sono speculari. La sigla FS individua l’intero campione; MS, invece, richiama il sub-sample comprendente esclusivamente le transazioni con partecipazioni maggiori o uguali al 5%.

invece, richiama il sub-sample comprendente esclusivamente le transazioni con partecipazioni maggiori o uguali al 5%. 42

Figura 8. Firm to Local Market Volatility Ratio

I grafici riportati presentano un’analisi del rapporto firm volatility to local market volatility. In particolare, le deviazioni standard sono state calcolate su base giornaliera e mostrano come il rapporto presentato si muovi nel tempo. Il primo output (cilindri raggruppati) confronta le medie dei rapporti per intervallo di osservazioni. Di seguito, sono presentate le distribuzioni empiriche dei ratio calcolati sui diversi intervalli temporali.

Di seguito, sono presentate le distribuzioni empiriche dei ratio calcolati sui diversi intervalli temporali. 43
Di seguito, sono presentate le distribuzioni empiriche dei ratio calcolati sui diversi intervalli temporali. 43

.Tavola 1. Lista Sovereign Wealth Funds

Tale tabella riporta una lista dei più importanti Fondi Sovrani al mondo. E’ stata costruita attraverso i compendi ed i rankings del Sovereign Wealth Fund Institute e altre fonti ufficiali. Sono incluse anche controllate specializzate in investimenti finanziari.

 

Linaburg-Maduell

Country

Fund

Name

Assets$Billion

Inception

O rigin

Transparency

UAE –AbuDhabi

AbuDhabi Investment Authority

$627

1976

O il

3

Norway

Government PensionFund–Global

$512

1990

O il

10

Saudi Arabia

SAMA

ForeignHoldings

$415

n/a O il

2

China

SAFE

Investment Company

$347.1**

1997

Non-Commodity

2

China

ChinaInvestment Corporation Government of SingaporeInvestment

$332.4

2007

Non-Commodity

6

Singapore

Corporation

$247.5

1981

Non-Commodity

6

HongKongMonetary Authority

 

China–HongKong

Investment Portfolio

$227.6

1993

Non-Commodity

8

Kuwait

Kuwait Investment Authority

$202.8

1953

O il

6

China

National Social Security Fund

$146.5

2000

Non-commodity

5

Russia

National

W elfareFund

$142.5*

2008

O il

5

Singapore

Temasek Holdings

$133

1974

Non-Commodity

10

Q

atar

Q atarInvestment Authority

$85

2005

O il

5

Libya

LibyanInvestment Authority AustralianFutureFund

$70

2006

O il

2

Australia

$59.1

2004

Non-Commodity

9

Algeria

RevenueRegulationFund

$56.7

2000

O il

1

Kazakhstan

KazakhstanNational Fund

$38

2000

O il

6

US –Alaska

AlaskaPermanent Fund

$35.5

1976

O il

10

Ireland

National Pensions ReserveFund

$33

2001

Non-Commodity

10

SouthKorea

KoreaInvestment Corporation Brunei Investment Agency

$30.3

2005

Non-Commodity

9

Brunei

$30

1983

O il

1

France

Strategic Investment Fund

$28

2008

Non-Commodity

new

Malaysia

KhazanahNasional O il StabilisationFund

$25

1993

Non-Commodity

4

Iran

$23

1999

O il

1

Chile

Social andEconomic StabilizationFund

$21.8

1985

Copper

10

UAE –Dubai

Investment Corporationof Dubai StateO il Fund

$19.6

2006

O il

4

Azerbaijan

$18.1

1999

O il

10

UAE –AbuDhabi

International Petroleum Investment Company

$14

1984

O il

n/a

Canada

Alberta’s HeritageFund

$13.8

1976

O il

9

UAE –AbuDhabi US –New Mexico

MubadalaDevelopment Company New MexicoStateInvestment Council

$13.3

2002

O il

10

$12.9

1958

Non-Commodity

9

New Zealand

New ZealandSuperannuationFund

$12.1

2003

Non-Commodity

10

Bahrain

Mumtalakat HoldingCompany SovereignFundof Brazil

$9.1

2006

O il

8

Brazil

$8.6

2009

Non-commodity

new

O

man

StateGeneral ReserveFund

$8.2

1980

O il & Gas

1

Botswana

PulaFund Public Investment Fund

$6.9

1994

Diamonds & Minerals O il

1

Saudi Arabia

$5.3

2008

3

China

China-AfricaDevelopment Fund

$5.0

2007

Non-Commodity

4

East Timor Timor-LestePetroleum Fund

$6.3

2005

O il & Gas Minerals

6

US –W yoming

Permanent W yomingMineral Trust Fund

$3.6

1974

9

Trinidad& Tobago

HeritageandStabilizationFund

$2.9

2000

O il

5

UAE –Ras Al Khaimah RAK Investment Authority

$1.2

2005

O il

3

Venezuela

FEM

$0.8

1998

O il

1

Vietnam

StateCapital Investment Corporation

$0.5

2006

Non-Commodity

4

Nigeria

Excess CrudeAccount RevenueEqualizationReserveFund

$0.5

2004

O il

1

Kiribati

$0.4

1956

Phosphates

1

Indonesia

Government Investment Unit

$0.3

2006

Non-commodity

X

Mauritania

$0.3

2006

O il & Gas O il

1

UAE –Federal

National FundforHydrocarbonReserves Emirates Investment Authority

X

2007

2

O

man

O manInvestment Fund

X

2006

O il

n/a

UAE –AbuDhabi

X

2007

O il

X

Lybia

AbuDhabi Investment Council AabarInvestments

X

2005

O il

X

Lybia

Central Bank of Lybia

X

1956

O il

X

Singapore

DoverInvestments

X

X Non-Commodity

X

UAE

-Dubai

DIFC

Investments

X

2004

O il

X

UAE -Dubai

Dubai International Capital LLC

X

2004

O il

X

UAE

-Dubai

BorseDubai

X

2007

O il

X

Singapore

AsiaFinancial Holdings

X

X Non-Commodity

X

China

ChinaDevelopment Bank

X

1994

Non-commodity

X

Total O il & G asRelated

$2350.9

 

Total O ther

$1681.6

TO TAL

$4032.5

Questo include l’Oil Stabilization Fund della Russia.

Questo numero è stato stimato.

45

Tavola 2. Transactions Database

La seguente tavola mostra il dataset finale nel quale sono elencate in ordine cronologico per data di annuncio le 71 transazioni considerate. Oltre ad indicare la data del primo rumour, quella dell’annuncio e quella in cui è stata conclusa l’operazione, viene evidenziata anche l’area di business finanziaria a cui appartiene la target. Nella penultima colonna è mostrata l’entità della partecipazione azionaria.

finanziaria a cui appartiene la target. Nella penultima colonna è mostrata l’entità della partecipazione azionaria.

46

Tavola 2. Transactions Database / Segue

46 Tavola 2. Transactions Database / Segue

47

Tavola 2. Transactions Database / Segue

47 Tavola 2. Transactions Database / Segue

Tavola 3. Short Term Abnormal Return Stats

La seguente tabella evidenzia i valori campionari principali sia per il Cumulative Abnormal Return che per il Cumulative Market Abnormal Return. Le medie raddoppiano quando il campione considerato è quello dalle partecipazioni maggiori o uguali al 5%.

Return . Le medie raddoppiano quando il campione considerato è quello dalle partecipazioni maggiori o uguali

Tavola 4. Long Term Abnormal Return Stats

La tabella riportata riassume media e deviazione standard degli abnormal returns calcolati su intervalli temporali differenti e sia con il metodo Buy and Hold che Cumulative Market Abnormal Return. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

statistica con il 99% di confidenza, ** 95% e * 90%. Horizon Full Investment Sample [2,250]

Horizon

Full Investment Sample

[2,250]

[2,750]

[2,1250]

CMAR

O

b s e rva t io n s

 

6

4

2

7

1

7

Me a n

-0 , 1

8

0

7 1 1

* *

-0 , 0 1

3 4 8 0

-0 , 1 7

9 2 7 1

 

0 , 0

0

1 *

0 , 8 8 5

0 , 1 9 4

 

S

t . De v.

0 , 4 1 6 9

7 2

0 , 4 8 0 6 6 2

0 , 5 4 5 6 0 7

BHAR

 

O

b s e rva t io n s

 

6

4

2

7

1

7

Me a n

-0 , 1 7

5 7 5 4

-0 , 0 1

7 8 2 9

-0 , 5 8

1 6 2 8

 

0 , 0 0 0 1 * * *

0 , 8 6 8 0 , 5 5 1 8 8 1

0 , 0 0 6 * * 0 , 7 5 8 6 7 7

 

S

t . De v.

0 , 3 2 8 7 0 1

Stake ! 5% Sample

 
 

CMAR

 

O

3

1

 

1 6 0 , 0 7 1 6 3 0 0 , 5 5 6 0 , 4 7 5 8 9 0

1

1

b s e rva t io n s Me a n

-0 , 1 7

0 2

8 5

-0 , 2 4

6 9 0 1

 

0 , 0 3 6 * *

0 , 2 1 0 , 6 1 1 1 7 0

 

S

t . De v.

0 , 4 3 2 3 1 6

BHAR

 

O

b s e rva t io n s Me a n

3 1 -0 , 1 7 1 5 6 1

1

6

1

1

-0 , 0 9

0 8 6 9

-0 , 7 3

2 5 3 3

 

0 , 0

1

5

3

* *

0 , 4 8 1 0 , 5 0 3 4 5 3

0 , 0 1 4 * * 0 , 8 1 4 5 0 0

 

S

t . De v.

0 , 3

7

1

2

2 1

Tavola 5. Stake Cross-Sectional Regression

La presente tabella descrive l’output della regressione cross-sectional con variabile dipendente caratterizzata dai Cumulative Abnormal Return (CAR) sull’intervallo temporale [-1,+1]. La prima colonna si riferisce al campione intero, la seconda considera solo gli abnormal returns positivi, mentre la terza prende in considerazione solo i CAR positivi e che si siano verificati in un periodo diverso dal recente Market Turmoil. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

statistica con il 99% di confidenza, ** 95% e * 90%. Full Sample Positive Sample Modified

Full Sample

Positive Sample

Modified Sample

Constant

-0 , 0 0 4

0 , 0 4 1

 

0 , 0

2

2

0 , 7 3

0 , 0 0 1 * *

0 , 0

9

*

Stake

0 , 1 0 9

0 , 1

5

6

0 , 3

4

4

0 , 2 3

0 , 0

7

*

0 , 0 0 1 * *

Observations

6 6

3 5

2 2

 

R Squared

0 , 0 2 2

0 , 0 9 3

 

0 , 4 2 7

Tavola 6. Cross-Sectional Analysis

La presente tabella descrive l’output della regressione cross-sectional con variabile dipendente caratterizzata dai Cumulative Abnormal Return (CAR) sull’intervallo temporale [-1,+1]. In grigio i p-value associati alle medie, dove *** indica rilevanza statistica con il 99% di confidenza, ** 95% e * 90%.

CAR [-1,+1] as Dependent Variable Home Country -0 , 0 2 9 7 0 ,
CAR [-1,+1] as Dependent Variable
Home Country
-0 , 0 2 9 7
0
, 0 9 *
Efficient Market
0 , 0 2 9 7
0
, 0 9 *
Linaburg-Maduell
-0 , 0 0 3 4
0 , 3 1
Truman Governance
-0 , 0
0 2
0
, 8
3
Constant
0 , 0 1 5
-0 , 0
0 4
0 , 0 2 6
0 , 0 0 2
0 , 1 3
0 , 6
7
0 , 2 9
0 , 8 5
Observations
7 1
7 1
6 3
5 5
R Squared
0 , 0 4
0 , 0 4
0 , 0 2
0 , 0 0 0 8

Tavola 7. Standard Deviations of Returns

L’output sottostante sintetizza e mette in risalto una serie di misure statistiche riguardanti le deviazioni standard dei rendimenti, sia per il sample riguardante le transazioni con partecipazioni maggiori o uguali al 5%, che per tutto il campione. E’ implementato un test per verificare se le differenze tra le diverse medie siano statisticamente significative. Ad esempio, la prima colonna mostra la T Statistic riguardante la differenza tra la media calcolata sull’intervallo pre-event e quella post-event sull’ intervallo [+1,+250]. Gli asterischi associati al test indicano la significatività statistica secondo l’uso già chiarito nelle tavole precedenti.

secondo l’uso già chiarito nelle tavole precedenti.   Standard Variable Observations Mean
 

Standard

Variable

Observations

Mean

Median

Deviation

Minimum

Maximum

Pre-event Standard Deviation of Firm Returns [-250, -1] Full Sample Stake ! 5% Sample

71

3,221%

3,026%

1,577%

0,816%

8,924%

35

3,446%

3,210%

1,573%

1,402%

7,486%

Post-event Standard Deviation of Firms Returns [+1, +250]

Full Sample Stake ! 5% Sample

64

3,645%

3,156%

2,038%

0,801%

8,172%

30

3,638%

3,243%

1,898%

1,034%

8,172%

Post-event Standard Deviation of Firms Returns [+1, +750]

 

27

2,955%

2,772%

1,180%

0,835%

5,330%

Full Sample Stake ! 5% Sample

Post-event Standard Deviation of Firms Returns [+1, +1250] Full Sample Stake ! 5% Sample

16

3,029%

3,134%

1,069%

0,835%

4,868%

17

3,199%

3,073%

1,140%

1,790%

5,588%

11

3,423%

3,157%

1,309%

1,790%

5,588%

Variable

T Test +250

T Test +750

T Test +1250

Test of Mean Equalitybetween Pre- and Post-Event Sample Full Sample

1,70*

1,33

0,41

Stake ! 5% Sample

1,06

0,1

0,001

Tavola 8. Induced Announcement Volatility Analysis

La tabella sottostante presenta le regressioni dei cambiamenti di volatilità delle target

intorno alla data di annuncio di bid da parte di un Sovereign Wealth Fund. Le variabili dipendenti sono rappresentate dai logaritmi naturali dei rapporti tra la volatilità post-event

e la volatilità pre-event, calcolati su diversi intervalli temporali successivi alla data di annuncio. La colonna (1) usa i 250 giorni successivi all’annuncio dell’operazione mentre

la (2) e la (3) sono applicate rispettivamente ai 750 e 1250 giorni seguenti. I regressori,

invece, sono volatility ratio calcolati usando le volatilità rispettivamente del mercato do riferimento e del benchmark finanziario. In grigio sono presentate le T-Statistic robuste

calcolate utilizzando il metodo di White (1980). Gli asterischi segnalano i livelli di significatività secondo le precedenti consuetudini.

Dependent Variable Ln (Volatility[+1,+250] / Volatility[-250, -1]) Ln (Volatility[+1,+750] / Volatility[-250, -1]) Ln
Dependent Variable Ln (Volatility[+1,+250] / Volatility[-250, -1]) Ln (Volatility[+1,+750] / Volatility[-250, -1]) Ln

Dependent Variable

Dependent Variable Ln (Volatility[+1,+250] / Volatility[-250, -1]) Ln (Volatility[+1,+750] / Volatility[-250, -1]) Ln
Dependent Variable Ln (Volatility[+1,+250] / Volatility[-250, -1]) Ln (Volatility[+1,+750] / Volatility[-250, -1]) Ln
Ln (Volatility[+1,+250] / Volatility[-250, -1])

Ln (Volatility[+1,+250] / Volatility[-250, -1])

Ln (Volatility[+1,+750] / Volatility[-250, -1])

Ln (Volatility[+1,+750] / Volatility[-250, -1])

Ln (Volatility[+1,+1250] / Volatility[-250, -1])

Ln (Volatility[+1,+1250] / Volatility[-250, -1])

 

(1)

(2)

 

(3)

 

Constant

0 , 0 2 1 6 8 4 0 , 4 9 3

-0 , 1 2 0 0 6 3 * -1 , 9 8 7

-0 , 1 7 5 -3 , 9

7 7 6 * * 8 7

Ln (Market Volatility[+1,+250] / Market Volatility[-250, -1])

0 , 3 9 0 3 8 9 * * * 4 , 0 6 8

 

Ln (Market Volatility[+1,+750] / Market Volatility[-250, -1])

   

0

, 0 3 3 5 4 8

 
   

0

, 2 3

 

Ln (Market Volatility[+1,+1250] / Market Volatility[-250, -1])

 

0

, 2 1 2 2 3 1 * * *

   

5

, 1 9 4

 

Ln (Fin. Bench. Volatility[+1,+250] / Fin. Bench. Volatility[-250, -1])

0 , 7 0 8 0 7 2 * * * 6 , 8 0 3

 

Ln (Fin. Bench. Volatility[+1,+750] / Fin. Bench. Volatility[-250, -1])

 

1

, 0 5 1 9 8 8 * * *

 
   

4

, 9 7 1

 

Ln (Fin. Bench. Volatility[+1,+1250] / Fin. Bench. Volatility[-250, -1])

 

0

, 6 7 6 1 1 2 * *

   

3

, 7 2 7

 

R Squared

0 , 7 1 8 5 6 4

0 , 7 1 8 5 6 4

0 , 7 1 8 5 6 4
 

0 , 5 1 1 8 2 7

0 , 5 1 1 8 2 7

0 , 6 5 9 3 1 7

0 , 6 5 9 3 1 7
Observations

Observations

Observations

Tavola 9. Appraisal Ratio

La tabella sottostante presenta i risultati circa l’analisi dell’Appraisal Ratio. La misura consiste nel rapporto tra l’abnormal return e la deviazione standard rispettivamente per gli intervalli costituiti da 250, 750 e 1250 giorni successivi alla data di annuncio.

da 250, 750 e 1250 giorni successivi alla data di annuncio. Horizon [+1,+250] [+1,+750] [+1,+1250]

Horizon

[+1,+250]

[+1,+750]

[+1,+1250]

Cumulative Market Adjusted Return

-0,1807

-0,0135

-0,1793

Post-Event Standard Deviation

0,0365

0,0296

0,032

Appraisal Ratio

-4,951

-0,456

-5,603

BIBLIOGRAFIA

Allen, M. e Caruana, J. (2008). Sovereign Wealth Funds: a Work Agenda. International Monetary Fund.

Balding, C. (2009). Framing Sovereign Funds: What We Know and Need to Know. Working Paper. HSBC School of Business.

Bartov, E. (1991). Open-Market Stock Repurchases as Signals of Earnings and Risk Changes. Journal of Accounting and Economics, 14, 275-294.

Beck, R. e Fidora, M. (2008). The Impact of Sovereign Wealth Funds on Financial Markets. Working Paper. European Central Bank.

Bhagat, S., Brickley, J. e Loewenstein, U. (1987). The Pricing Effect of Interfirm Cash Tender Offers. Journal of Finance, 42, 965-

986.

Borokhovich, K., Brunarsky, K., Harman, Y. e Parrino, R. (2006). Variation in the Monitoring Incentives of Outside Stockholders. Journal of Law and Economics, 49, 651-680.

Bortolotti, B., Fotak, V., Megginson, W. e Miracky, W. (2009). Sovereign Wealth Fund Investments Patterns and Performance. Working Paper. Fondazione Eni Enrico Mattei.

Brockman, P. e Yan, X. (2009). Block Ownership and Firm-Specific Information. Journal of Banking and Finance, 33, 308-316.

Chen, X., Harford, J. e Li, K. (2007). Monitoring: Which Institutions Matter? Journal of Financial Economics, 86, 279-305.

Clayton, M.J., Hartzell, J.C. e Rosenberg, J.V. (2003). The Impact of CEO Turnover on Equity Volatility. Working Paper. Federal Reserve Bank of New York Staff Reports.

Corden, W.M. e Neary (1982). Booming Sector and De- industrialisation in a Small Open Economy. The Economic Journal, 92, 829-831.

Cornell, B. (1978). Using the Options Pricing Model to Measure the Uncertainty Producing Effect of Major Announcements. Financial Management, 7, 54-59.

Cowan, A.R. e Sergeant, A.M.A. (1996). Trading Frequency and Event Study Test Specification. Journal of Banking and Finance.

Dann, L., Masulis, R. e Mayers, D. (1991). Repurchase Tender Offers and Earnings Information. Journal of Accounting and Economics, 14, 217-252.

Dewenter, K.L., Han, X. e Malatesta, P.H. (2009). Firm Values and Sovereign Wealth Fund Investments. University of Washington, US, Journal of Financial Economics (forthcoming).

Dodd, P. e Ruback, R. (1977). Tender Offers and Stockholders Returns. Journal of Financial Economics, 5, 351-373.

Donders, M.W.M. e Vorst, T.C.F. (1996). The Impact of Firm Specific News on Implied Volatilities. Journal of Banking and Finance, 20, 1447-1461.

Dubofsky, D. (1991). Volatility Increases Subsequent to NYSE and AMEX Stock Splits. Journal of Finance, 46, 421-431.

Fama, E., Jensen, M., Fisher, L. e Roll, R. (1969). The Adjustment of Stock Prices to New Information. International Economic Review, 10, Febbraio 1969.

Fernandez, P. (2001). A Definition of Shareholder Value Creation. Working Paper. IESE Business School.

Heflin, F. e Shaw, K.W. (2000). Blockholder Ownership and Market Liquidity. Journal of Financial and Quantitative Analysis, 35(4),

621-633.

Jayaraman, N. e

Announcements of Dividend Increases on Stock Volatility: The

Effects of the

Shastri,

K.

(1993).

The

Evidence from the Options Market. Journal of Business Accounting and Finance, 20, 673-685.

Johnson, S., La Porta, R., Lopez de Silanes, F. e Shleifer, A. (2000). Tunneling. The American Economic Review, 90(2), 22-27.

Knill, A., Lee, B.S. e Mauck, N. (2010). Is Sovereign Wealth Fund Investment Destabilizing? Working Paper. Florida State University, Korea Advanced Institute of Science and Technology.

Kotter, J. e Lel, U. (2010). Friends or Foes? Target Selection Decisions of Sovereign Wealth Funds and Their Consequences. Working Paper. Journal of Financial Economics (forthcoming).

Lyons, G. (2007). State Capitalism: The Rise of Sovereign Wealth Funds. Working Paper. Standard Chartered.

Mandelker, G. (1974). Risk and Return: The Case of Merging Firms. Journal of Financial Economics, 14, 237-250.

McConnell, J.J. e Servaes, H. (1990). Additional Evidence on Equity Ownership and Corporate Value. Journal of Financial Economics, 27, 595-612.

Meulbroeck, L.K. (1992). An Empirical Analysis of Illegal Insider Trading. Journal of Finance, 47: 1661-1699.

Ohlson, J.A. e Penman, S.H. (1985). Volatility Increases Subsequent to Stock Splits: An Empirical Aberration. Journal of Financial Economics, 14, 251-266.

Rozanov, A. (2005). Who Holds the Wealth of Nations? Central Banking Journal, 15(4).

Sanger, G. e McConnell, J. (1986). Stock Exchange Listings, Firm Value, and Security Market Efficiency: The Impact of NASDAQ. Journal of Financial and Quantitative Analysis, 21, 1-25.

Savickas, R. (2003). Event-Induced Volatility and Tests for Abnormal Performance. Journal of Financial Research.

Serra, A.P. (2002). Event Study Tests. Working Paper. FEP.

Shleifer, A. e Vishny, R.W. (1986). Large Shareholders and Corporate Control. Journal of Political Economy. University of Chicago Press, 94(3), 461-488.

Sojli, E. e Tham, W.W. (2010). The Impact of Foreign Government Investments on Corporate Performance: Evidence from the U.S Working Paper.

Treynor, J.L. e Black, F. (1973). How to Use a Security Analysis to Improve Portfolio Selection, Journal of Business, 46, 66-86.

Truman, E. (2008). A Blueprint for Sovereign Wealth Fund Best Practices. Peterson Institute for International Economics, Washington D.C.

Vijh, A. (1994). The Spinoff and Merger ex-date Effects. Journal of Finance, 49, 581-609.

Weisman, S.R

A Fear of Foreign Investments. The New York

Times, 21 Agosto 2007.

White, H. (1980). A Heteroskedasticity-consistent Covariance Matrix and a Direct Test for Heteroskedasticity. Econometrica, 48,

817-838.

Xu,

Y.

e

Malkiel, B.G. (2003). Investigating the Behavior of

Idiosyncratic Volatility. Journal of Business, 76, 613-644.